गाइड से जुड़ी प्रश्नोत्तरी · आसान स्तर

कन्फ्यूजन मैट्रिसेस क्विज़

समीक्षा करें कि कैसे भ्रम-मैट्रिक्स गणना क्लासिफायर त्रुटियों को प्रकट करती है, सामान्य मेट्रिक्स का समर्थन करती है, और कक्षा और पुस्तकालय सम्मेलनों में भिन्न होती है।

संबंधित मार्गदर्शक पथकन्फ्यूजन मैट्रिक्स
प्रश्न 1 का 8

बाइनरी कन्फ्यूजन मैट्रिक्स में, गलत नकारात्मक क्या है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. बाइनरी कन्फ्यूजन मैट्रिक्स में, गलत नकारात्मक क्या है?
    • मॉडल ने एक सकारात्मक मामले को गलत तरीके से नकारात्मक बताया
    • एक नकारात्मक की सही भविष्यवाणी नकारात्मक के रूप में की गई
    • एक नकारात्मक को गलत तरीके से सकारात्मक के रूप में अनुमानित किया गया
    • एक सकारात्मक की सही भविष्यवाणी सकारात्मक के रूप में की गई
  2. परिशुद्धता की गणना इस प्रकार की जाती है:
    • टीपी / (टीपी + एफएन)
    • टीपी / (टीपी + एफपी)
    • टीएन / (टीएन + एफपी)
    • (टीपी + टीएन) / कुल
  3. कौन सा मीट्रिक वास्तविक सकारात्मकता के अनुपात को मापता है जिसे मॉडल सही ढंग से पहचानता है?
    • परिशुद्धता
    • विशिष्टता
    • स्मरण करो
    • सटीकता
  4. 5 वर्गों वाली किसी समस्या के लिए भ्रम मैट्रिक्स में, विकर्ण कोशिकाएँ क्या दर्शाती हैं?
    • ग़लत भविष्यवाणियाँ
    • केवल झूठी सकारात्मक बातें
    • नमूनों की कुल संख्या
    • प्रत्येक वर्ग के लिए सही भविष्यवाणियाँ
  5. भ्रम मैट्रिक्स के बिना अकेले सटीकता भ्रामक क्यों हो सकती है?
    • यह विभिन्न त्रुटि प्रकारों जैसे झूठी सकारात्मकता और झूठी नकारात्मकता के बीच संतुलन को छुपाता है
    • सटीकता हमेशा गलत होती है
    • बाइनरी समस्याओं के लिए इसकी गणना नहीं की जा सकती
    • इसमें लेबल के बजाय संभावनाओं की आवश्यकता होती है
  6. F1 स्कोर किन दो मेट्रिक्स का हार्मोनिक माध्य है?
    • सटीकता और विशिष्टता
    • परिशुद्धता और स्मरण
    • संवेदनशीलता और विशिष्टता
    • सच्ची सकारात्मकता और सच्ची नकारात्मकता
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation